AI-агенты и крипто: что происходит, когда машины управляют кошельками

Две революционные технологии - искусственный интеллект и блокчейн - больше не развиваются параллельно. Они конвергируют, и результатом является нечто беспрецедентное: автономное программное обеспечение, способное удерживать ценности, принимать решения и совершать сделки без вмешательства человека.

В октябре 2025 года Coinbase запустила Payments MCP, реализацию Model Context Protocol, которая дает AI-агентам прямой доступ к крипто-кошелькам, onramps и платежам в стабильной валюте. Впервые крупные языковые модели, такие как Claude, Gemini и Codex, могут непосредственно взаимодействовать с криптоэкономикой - создавать кошельки, пополнять их и выполнять платежи с помощью простых команд на естественном языке.

Это не просто еще один инструмент для разработчиков. Он представляет собой фундаментальную смену в том, как ценности движутся сквозь цифровые системы. Эрик Реппель, глава инженерной службы платформы разработчиков Coinbase, описал крипто как «уникально подходящее для машин», подчеркивая, что это «единственный открытый, цифрово-нативный стандарт для платежей, который может использовать любая программа.»

Последствия уходят далеко за пределы автоматизированной торговли. AI-агенты начинают участвовать в протоколах децентрализованных финансов, управлении цифровыми идентичностями, координации в децентрализованных автономных организациях и даже создании и монетизации собственных услуг. Сектор AI крипто достиг рыночной капитализации в $31.9 миллиардов в 2025 году, представляя 0,80% от общего рынка крипто с более чем 200 активными AI-токенами и объемом ежедневной торговли в $4.27 миллиардов.

Эта конвергенция устраняет фундаментальное ограничение в обеих областях. Системы AI испытывают трудности с участием в экономической деятельности за пределами обработки информации. Блокчейн-сети, несмотря на их сложную финансовую инфраструктуру, остаются в значительной степени реактивными по отношению к человеческому вводу. AI-агенты, использующие крипто-рельсы, заполняют этот пробел, создавая то, что наблюдатели отрасли называют «агентская коммерция» - новая парадигма, в которой машины не только рекомендуют действия, но и выполняют их, поддерживаемые программируемыми деньгами, которые движутся со скоростью кода.

Время этой конвергенции не случайно. Глобальный рынок AI, оцениваемый в $184 миллиарда в 2024 году, прогнозируется достичь $826.7 миллиардов к 2030 году, с компаундированным годовалым темпом роста 28.46%. Одновременно объемы расчетов стабильных валют достигли $1.39 триллиона в первой половине 2025 года, демонстрируя, что криптоинфраструктура может поддерживать платежи в институциональном масштабе. Модели машинного обучения достигли беспрецедентных возможностей в рассуждении и принятии решений, в то время как блокчейн-инфраструктура созрела для поддержки транзакций за доли секунды при минимальных затратах.

То, что делает этот момент уникальным, это появление стандартизированных протоколов для взаимодействия AI и блокчейна. Протокол x402, разработанный Coinbase и формализованный через x402 Foundation в партнерстве с Cloudflare, возрождает долгое время бездействующий статус-код HTTP 402 «Необходима оплата» для обеспечения программируемых платежей между машинами. Это создает универсальный язык для автономной экономической деятельности - язык, который работает в любом приложении, на любой цепи и с любой AI-моделью.

Последствия для Web3 глубоки. Если блокчейн-технология обещала децентрализовать владение и обмен, AI-агенты представляют следующую эволюцию: децентрализованное действие. Эта статья исследует, как эта конвергенция разворачивается, от технической архитектуры, обеспечивающей взаимодействие AI и блокчейна, до связанных рисков и возможностей, и в конечном итоге, что это значит для будущего цифровой коммерции.

Предыстория: От смарт-контрактов к агентским системам - следующий шаг

Чтобы понять, почему AI-агенты представляют собой такую значимую эволюцию для Web3, важно проследить прогрессию автономных возможностей на блокчейнах. История начинается со смарт-контрактов - самоисполняющегося кода, который позволял программируемые соглашения без посредников. Но смарт-контракты, какими бы революционными они ни были, работают в строгих пределах.

Смарт-контракты реактивны. Они выполняются, когда удовлетворены определенные условия, но не могут инициировать действия самостоятельно. Протокол кредитования DeFi может автоматически ликвидировать недостаточно залоговую позицию, но только после того, как данные на цепи вызовут это условие. Он не может проактивно отслеживать внецепочные информации, адаптироваться к изменяющимся рыночным условиям или принимать сложные многошаговые решения.

Это ограничение сдерживает то, что возможно в Web3. Большинство блокчейн-приложений все еще требуют от людей инициирования действий, будь то исполнение сделки, ребалансировка портфеля или участие в управлении. Интерфейс пользователя остается громоздким, кривая обучения крута, а ментальная нагрузка высока. Как отметили в Coinbase в своем объявлении о Payments MCP, «будущее AI требует, чтобы агенты могли совершать сделки и делать, а не только читать и писать.»

AI-агенты решают эту проблему, вводя подлинную автономию. В отличие от смарт-контрактов, которые выполняют предопределенную логику, AI-агенты могут воспринимать окружающую среду, рассуждать о ней и предпринимать действия для достижения целей. Они сочетают в себе несколько ключевых способностей:

Восприятие: AI-агенты поглощают данные из множества источников - данных транзакций на цепи, данных о ценах вне цепочки, социальных настроений, новостей и структурированных баз данных. Они используют обработку естественного языка для понимания неструктурированной информации и компьютерное зрение для анализа визуальных данных.

Размышление: Благодаря крупным языковым моделям и другим архитектурам машинного обучения агенты могут анализировать сложные ситуации, выявлять паттерны и делать прогнозы. Они не просто следуют правилам - они применяют выученные эвристики и адаптируют стратегии на основе результатов.

Действие: AI-агенты могут выполнять транзакции, взаимодействовать со смарт-контрактами, управлять кошельками и координировать свои действия с другими агентами или людьми. Критически важно, что они могут делать это автономно в пределах предопределенных границ.

Обучение: В отличие от стационарных алгоритмов, AI-агенты совершенствуются с течением времени. С помощью таких техник, как обучение с подкреплением, они оптимизируют свои стратегии на основании успеха или неудачи.

Эта комбинация создает возможности, превосходящие достижения каждой из технологий по отдельности. Смарт-контракт может автоматически менять токены, когда удовлетворены определенные условия. AI-агент может отслеживать несколько децентрализованных обменов на разных цепочках, обнаруживать возможности арбитража, учитывая комиссию и проскальзывание, выполнять сложные многоступенчатые сделки и учиться, какие стратегии лучше всего работают в различных рыночных условиях.

Техническая основа для этой эволюции строилась годами. Проекты, такие как Fetch.ai, запущенный в 2019 году с видением создания автономных экономических агентов - программных сущностей, которые могли бы представлять людей, устройства или организации в децентрализованных рынках. SingularityNET представил в 2017 году децентрализованный AI-маркетплейс, где разработчики могли монетизировать модели машинного обучения с использованием блокчейн-токенов.

Но эти ранние усилия столкнулись со значительными ограничениями. AI-модели не обладали способностями к рассуждению современных больших языковых моделей. Блокчейн-инфраструктура не могла поддерживать сложные взаимодействия, которых требовали агенты в масштабе. И не существовало стандартизированного способа для взаимодействия систем AI с крипто-протоколами - каждую интеграцию требовалось выполнять под заказ.

Ландшафт кардинально изменился в 2023-2024 годах с появлением более способных AI-моделей и более надежной блокчейн-инфраструктуры. Bittensor запустила свою децентрализованную сеть машинного обучения, создавая одноранговый рынок, где AI-модели соревнуются за предоставление лучших результатов. Виртуальный протокол представил в конце 2024 года токенизацию AI-агентов, позволяя сообществам вместе владеть и монетизировать автономные сущности.

Наиболее важно, что 2025 год стал свидетелем появления стандартизированных протоколов для взаимодействия AI и блокчейна. Протокол Model Context, изначально разработанный Anthropic, предоставляет каркас для безопасного подключения AI-моделей к внешним инструментам и службам. Адаптация Coinbase MCP для крипто в сочетании со стандартом x402 создает универсальный мост между языковыми моделями и блокчейн-инфраструктурой.

Эта инфраструктура позволяет тому, что раньше было невозможно: AI-агенты, которые могут полностью участвовать в криптоэкономике. Они могут держать активы, совершать платежи, получать доступ к сервисам, торговать автономно и даже создавать ценности благодаря своим действиям. Это скачок от смарт-контрактов к агентским системам - от программируемых соглашений до автономных экономических участников.

Coinbase Payments MCP и интерфейс AI-to-On-Chain

Coinbase's Payments MCP представляет собой самое значительное развертывание стандартизированного интерфейса AI и блокчейна на сегодняшний день. Понимание его работы дает критическое понимание технической архитектуры, позволяющей автономным агентам совершать сделки на цепи.

Архитектура

В основе Payments MCP лежит мост между большими языковыми моделями и криптоинфраструктурой через три ключевых компонента:

Уровень Model Context Protocol (MCP): MCP, как описывает его Coinbase, это «каркас, который позволяет AI-моделям безопасно получать доступ к внешним инструментам и сервисам». Переведённый контент:

Стандартизованный способ для систем ИИ обнаруживать доступные функции, понимать их параметры и безопасно их исполнять. В контексте Payments MCP, эти функции включают создание кошелька, финансирование и выполнение платежей.

Протокол оплаты x402: Основан на статус-коде HTTP 402 "Требуется оплата", x402 позволяет мгновенно осуществлять платежи в стейблкойнах прямо по HTTP. Когда агент ИИ хочет получить доступ к платному ресурсу, сервер отвечает с кодом 402 и инструкциями по оплате. Агент автоматически формирует и отправляет платёж, получает подтверждение и доступ – всё в рамках одного цикла запроса.

Уровень исполнения: Этот уровень обрабатывает реальные операции на блокчейне. Когда агент принимает решение о платеже, Payments MCP взаимодействует с инфраструктурой Coinbase для создания транзакций в сети Base (Ethereum Layer 2), безопасно их подписывает и вещает в блокчейн. Весь процесс занимает считанные секунды.

Как это работает на практике

Пользовательский интерфейс предельно простой. Разработчик или пользователь подключает помощника ИИ – на данный момент поддерживаются Claude Desktop, Google Gemini, Codex и Cherry Studio – к Payments MCP через быструю конфигурацию. API ключи не требуются. Помощник может выполнять команды типа:

"Создай кошелёк и пополни его на $50" "Отправь 5 USDC на этот адрес" "Проверь мой баланс и переведи половину на мой сберегательный кошелёк"

За кулисами, рабочий процесс включает несколько шагов:

1. Распознавание намерений: Модель ИИ анализирует запрос на естественном языке и сопоставляет его с конкретными функциями MCP.

2. Управление кошельками: Для новых пользователей, Payments MCP создает некостодиальный кошелек. Пользователи могут пополнять его через адрес электронной почты с использованием интегрированного онрампа, сложная настройка не требуется.

3. Авторизация: Перед исполнением любой транзакции система проверяет лимиты расходов и правила одобрения. Как объяснил Эрик Реппель, "С Payments MCP вы можете установить лимиты для вашего агента. У них выделенные средства, которые вы им предоставили — они не имеют доступа к вашему основному кошельку."

4. Создание транзакции: Система создаёт подходящую транзакцию на блокчейне, рассчитывая комиссии за газ и оптимальные маршруты.

5. Исполнение: Транзакция подписывается и вещается в блокчейн. Для транзакций в сети Base с использованием USDC, посредник, хостинг которого предоставляет Coinbase, обеспечивает безкомиссионные платежи.

6. Подтверждение: Агент получает подтверждение транзакции и может продолжить последующие действия.

Интеграция x402

Протокол x402 особенно важен, потому что он позволяет проводить настоящую программную коммерцию. Как объясняется в блоге Cloudflare, "Каждый день сайты на Cloudflare отправляют более миллиарда ответов HTTP 402 ботам и сканерам, пытающимся получить доступ к их контенту и интернет-магазинам." Ранее эти ответы оставались неуслышанными — не существовало стандартизированного способа для автоматизированных систем выполнять запросы на оплату.

С появлением x402, это полностью меняется. Протокол определяет:

• Как серверы передают требования к оплате (сумма, получатель, принимаемые токены)
• Как клиенты строят и прикрепляют подтверждения платежей к запросам
• Как посредники проверяют и урегулируют транзакции
• Как серверы подтверждают оплату и предоставляют доступ к ресурсам

Это создает универсальный шаблон для моделей оплаты за использование в интернете. Агент ИИ, изучающий тему, может автоматически заплатить за доступ к премиальным источникам данных. Бот, выполняющий вычисления, может оплатить облачные ресурсы по мере необходимости. Виртуальный помощник может купить товары у нескольких торговцев за один поход.

Coinbase и Cloudflare совместно объявили о создании Фонда x402 в сентябре 2025 года для управления развитием этого протокола. Фонд стремится установить x402 как нейтральный, открытый стандарт - подобно тому, как управляют HTTP, TCP/IP и другими интернет-протоколами. Как заметил Мэтью Принс, генеральный директор Cloudflare, "Основные интернет-протоколы всегда управлялись независимыми органами, и именно поэтому мы рады сотрудничать с Coinbase, чтобы x402 следовал тем же путём, учитывая его вероятность стать основным протоколом для агентской коммерции."

Технические меры безопасности

Безопасность является центральной частью дизайна Payments MCP. Несколько механизмов защищают пользователей и агентов:

Лимиты расходов: Пользователи настраивают максимальные суммы, которые агенты могут потратить на одну транзакцию и за определённый период времени. Реппель объяснил, "Вы можете, например, позволить агенту свободно тратить до десяти центов, но требовать утверждения на всё, что выше."

Рабочие процессы утверждения: Для транзакций, превышающих определённые пороги, система может потребовать явного человеческого утверждения перед выполнением.

Изоляция кошельков: Кошельки агентов отделены от основных средств пользователей, что ограничивает риск в случае компрометации или непредсказуемого поведения агента.

Локальное исполнение: Система работает локально на устройствах пользователей, а не на удалённых серверах, что повышает конфиденциальность и дает пользователям прямой контроль.

Аудит журналов: Все транзакции записываются в блокчейн, обеспечивая прозрачные и неизменяемые записи о действиях агентов.

Текущие ограничения и планы развития

Payments MCP запустилась с определенными ограничениями. В настоящее время она поддерживает только стейблкоины USDC в сети Base. ChatGPT пока несовместим из-за технических различий в архитектуре стриминга OpenAI по сравнению с методом передачи MCP. Начальный выпуск фокусируется на выполнении платежей, а не на более сложных операциях DeFi, таких как торговля, кредитование или предоставление ликвидности.

Тем не менее, Coinbase указал в своём анонсе, что они "планируют увеличить поддержку большего числа моделей и инструментов для разработчиков в рамках продолжающихся усилий по связке возможностей ИИ с практическими финансовыми применениями". Дорожная карта, вероятно, включает поддержку нескольких блокчейнов, интеграцию с дополнительными моделями LLM и расширение функциональности для операций DeFi.

Почему это важно

Payments MCP значима не потому, что это первая интеграция ИИ и блокчейна, а потому что она впервые объединяет несколько ключевых элементов:

1. Легкость использования: Нет API ключей, нет сложной конфигурации. Пользователи могут начать пользоваться за считанные минуты.
2. Широкая совместимость: Работает с множеством основных моделей ИИ из коробки.
3. Реальная экономическая деятельность: Это не тестовая сеть или симуляция - агенты осуществляют транзакции с реальной ценностью на публичных сетях.
4. Открытые стандарты: Построена на открытых протоколах (MCP и x402), которые любой разработчик может реализовать.
5. Корпоративный уровень: Развернута публично торгуемой, регулируемой биржей с институциональными стандартами соответствия.

Это сочетание создаёт чертёж того, как агенты ИИ и криптоинфраструктура должены взаимодействовать. По мере того, как всё больше разработчиков будут строить на этих стандартах, станет возможной более широкая экосистема автономной экономической деятельности.

Углубленное исследование технологий: как агенты ИИ взаимодействуют с блокчейнами

Понимание технической архитектуры, связывающей агентов ИИ с блокчейн-инфраструктурой, требует изучения нескольких уровней стека. Каждый уровень решает специфические проблемы, связанные с идентичностью, принятием решений, исполнением и безопасностью.

Архитектура агента

Современные агенты ИИ в криптовалюте, как правило, следуют модульной архитектуре со специализированными компонентами:

Уровень восприятия: Агенты должны понимать своё окружение. Это включает:

• Сбор данных с блокчейна: Чтение историй транзакций, состояний смарт-контрактов, балансов токенов и условий в пулах ликвидности напрямую от нод блокчейна или сервисов индексирования.
• Интеграция данных вне блокчейна: Подключение к ценовым оракулам, лентам социального медиасентимента, новостным источникам и другой внешней информации.
• Обработка естественного языка: Понимание человеческих инструкций и их преобразование в исполнимые действия.

Уровень рассуждений: "Мозг" агента, как правило, работает на:

• Больших языковых моделях (LLMs): Модели типа Claude, GPT-4 или специализированные LLM для криптовалют интерпретируют намерения, планируют многошаговые действия и генерируют объяснения.
• Специализированные модели ИИ: Модели машинного обучения, обученные для выполнения специфических задач, таких как прогнозирование цен, обнаружение мошенничества или анализ настроений.
• Логика принятия решений: Правила и эвристики, ограничивающие поведение агента в допустимых рамках.

Уровень действий: Среда исполнения, где агенты взаимодействуют с блокчейнами:

• Формирование транзакций: Создание корректно оформленных транзакций, включая оценку комиссий за газ и оптимальный маршрут.
• Генерация подписи: Безопасное подписание транзакций без раскрытия приватных ключей.
• Вещание и подтверждение: Отправка транзакций в сеть и мониторинг успешного завершения.

Уровень обучения: Механизмы для постоянного улучшения:

• Мониторинг производительности: Запись результатов действий агента (успешные сделки, неудачные транзакции и т.д.).
• Оптимизация стратегии: Использование методов обучения с подкреплением или других подходов для улучшения принятия решений с течением времени.
• Тонкая настройка модели: Обновление

моделей ИИ на основе новых данных и отзывов.подходы возникли:

Многосторонние вычисления (MPC): Такие платформы, как Lit Protocol используют MPC для разделения частных ключей на доли, распределенные по нескольким узлам. Агенты могут подписывать транзакции без единого владельца полного ключа. Если один узел скомпрометирован, ключ остается в безопасности.

Пороговые подписи: Похожи на MPC, схемы пороговых подписей требуют сотрудничества нескольких сторон для создания действительных подписей. Это распределяет доверие и снижает вероятность возникновения единой точки отказа.

Модуль аппаратной безопасности (HSM): Для высокоценных приложений ключи могут храниться в специализированном оборудовании, выполняющем криптографические операции без раскрытия частных ключей программной среде.

Защищенные кластеры: Современные процессоры включают изолированные среды выполнения (например, Intel SGX), в которых чувствительные операции могут выполняться, защищенные от остальной системы.

Контроль доступа на основе политики: Проекты, такие как Warden Protocol реализуют движки политики, которые определяют, какие действия могут выполнять агенты и при каких условиях. Даже если агент имеет доступ к ключам подписи, он может выполнять транзакции только в соответствии с заранее определенными правилами.

Дэвид Шнайдер, основатель Lit Protocol, изложил три основных подхода к управлению ключами для AI агентов:

1. Прямой доступ к ключам: Агент имеет прямой доступ к частным ключам, наиболее простой, но наименее безопасный подход.
2. Доступ на основе утверждения: Агент предлагает транзакции, требующие явного утверждения перед выполнением, балансируя автономность с безопасностью.
3. Ограниченный политикой доступ: Агент может выполнять транзакции автономно, но только в рамках заранее определенных границ политики, предоставляя высокую автономию с программируемыми ограничениями.

Шаблоны взаимодействия с блокчейном

AI агенты взаимодействуют с блокчейном через несколько отличительных шаблонов:

Операции чтения: Запрос текущего состояния без изменений на блокчейне. Это включает:

• Проверка балансов и удержания токенов
• Чтение состояния смарт-контрактов
• Анализ истории транзакций
• Мониторинг пулов ликвидности и торговых условий

Операции записи: Создание транзакций, которые изменяют состояние блокчейна:

• Перевод токенов
• Осуществление торгов на децентрализованных биржах
• Депозит или снятие в/из DeFi протоколов
• Создание или изменение смарт-контрактов

Мониторинг событий: Подписка на события блокчейна и инициирование действий при возникновении определенных условий:

• Оповещения о ликвидациях в кредитных протоколах
• Превышение пороговых значений цен
• Создание предложений по управлению
• Уведомления о переводе токенов

Координация между несколькими цепями: Работа с несколькими блокчейнами одновременно:

• Арбитраж между цепями
• Перемещение активов между сетями
• Перебалансировка портфеля между цепями

Протокол контекста модели в деталях

Протокол контекста модели, разработанный Anthropic и адаптированный для криптоиндустрии Coinbase, обеспечивает важную стандартизацию для взаимодействия AI и блокчейна. MCP определяет:

Обнаружение инструментов: AI модели могут запросить, какие возможности доступны (создать кошелек, отправить платеж, проверить баланс, и т.д.).

Указание параметров: Каждый инструмент объявляет, какие входные данные ему нужны (адрес получателя, сумма, тип токена и т.д.).

Безопасность выполнения: Инструменты могут указывать условия, которые должны быть выполнены перед выполнением (проверка баланса, требования к утверждению и т.д.).

Отчет о результатах: Стандартизированные форматы для возврата подтверждений успешного выполнения, сообщений об ошибках и соответствующих данных.

Эта стандартизация важна, потому что она означает, что разработчикам не нужно создавать индивидуальные интеграции для каждой AI модели. Любая совместимая с MCP модель может использовать любой MCP сервер, предоставляющий криптовалютные функции. Эта модульность ускоряет развитие экосистемы.

Взаимодействие со смарт-контрактами

AI агенты взаимодействуют со смарт-контрактами через несколько механизмов:

Прямые вызовы: Агенты могут вызвать любую открытую функцию на развернутых смарт-контрактах, передавая необходимые параметры и плату за газ.

Выполнение на основе намерений: Вместо указания точных взаимодействий с контрактом агенты выражают намерения высокого уровня ("получить лучшую цену за обмен ETH на USDC"), которые solver сети переводят в оптимальные транзакции.

Абстракция учетной записи: ERC-4337 и подобные стандарты позволяют агентам использовать кошельки смарт-контрактов с гибкой логикой проверки, поддерживающей пакетные транзакции, оплату газа любым токеном и сложные структуры разрешений.

Контракты, принадлежащие агентам: Некоторые архитектуры позволяют агентам развертывать и управлять своими собственными смарт-контрактами, обеспечивая более сложное поведение, такое как создание автоматизированных маркет-мейкеров или пользовательская логика управления казной.

Потоки данных и зависимости

AI агенты в криптовалюте зависят от нескольких инфраструктурных уровней:

RPC узлы: Обеспечивают прямой доступ к данным блокчейна и возможности трансляции транзакций.

Сервис индексирования: Такие сервисы, как The Graph, Covalent или Moralis, эффективно агрегируют и запрашивают данные блокчейна.

Ценовые оракулы: Chainlink, Pyth и подобные протоколы обеспечивают надежные данные вне блокчейна на блокчейне.

IPFS/Arweave: Децентрализованное хранилище для памяти агентов, параметров моделей и сопутствующих данных.

Релейные сети: Сервисы, которые могут отправлять транзакции от имени агентов, абстрагируя управление газом.

Производительность и масштабируемость

Текущие архитектуры AI и блокчейна сталкиваются с рядом ограничений производительности:

Задержка транзакций: Времена подтверждения транзакций на блокчейне (от секунд до минут) медленные по сравнению с выводами моделей AI (мегасекунды). Агенты должны быть разработаны для обработки асинхронных операций.

Расходы на газ: Каждое действие на блокчейне стоит газовых сборов. Для микро-транзакций или высокочастотных операций эти затраты могут быть запретительными.

Доступность данных: Агенты требуют обширных исторических данных для обучения и принятия решений. Доступ к данным в блокчейне на большом масштабе может быть дорогим и медленным.

Служба моделей: Запуск сложных моделей AI требует значительных вычислительных ресурсов. Для принятия реальных решений вывод должен происходить быстро, создавая напряжение между сложностью модели и требованиями задержки.

Решения, которые появляются, включают:

• Каналы состояния и rollup: Перенос большинства операций с блокчейна, сохраняя гарантии безопасности.
• Специализированное оборудование: GPU и TPU для быстрого вывода данных, FPGA для низколатентной торговли.
• Гибридные архитектуры: Стратегические решения принимаются на блокчейне с сильными гарантиями, в то время как быстрое тактическое выполнение происходит off-chain.
• Специализация агентов: Вместо универсальных агентов, специализированные агенты, ориентированные на конкретные задачи, могут оптимизировать производительность в своей области.

Техническая архитектура, связывающая AI агентов с блокчейнами, продолжает быстро развиваться. Каждый новый протокол, инструмент и платформа вносят строительные блоки для создания все более сложных автономных систем.

Кейсы использования: От автономных платежей до рынков данных

Конвергенция AI и криптовалюты открывает возможность использования в разных доменах. Понимание этих приложений помогает прояснить, почему автономные агенты представляют собой не только автоматизированную торговлю.

Автономные платежи и коммерция

Самое непосредственное применение — это бесперебойные платежи между машинами. С x402 и похожими протоколами, агенты AI могут:

Монетизация API: Вместо ежемесячных подписок, API взимают плату за запрос. Агент, исследующий тему, автоматически платит за данные из нескольких источников, выбирая лучшее соотношение цены и качества.

Вычислительные ресурсы: AI модели требуют значительных вычислительных мощностей. Агенты могут арендовать время на GPU в децентрализованных сетях, таких как Render или у облачных провайдеров, оплачивая только то, что используют.

Доступ к контенту: Новостные статьи, научные работы и премиум-контент становятся доступными по требованию.

Цепочка услуг: Агент может использовать одну услугу для анализа настроений, другую для прогнозирования цен, и третью для выполнения торгов платя каждому провайдеру напрямую без участия человека.

Ранние реализации показывают перспективность. Cloudflare продемонстрировал игровую площадку x402, где агенты автоматически оплачивают вычислительные инструменты с использованием тестовых USDC. Pinata, платформа хранения Web3, использует x402 для оплаты за хранение файлов. Heurist использует его для оплат за AI исследования.

Автоматизация децентрализованных финансов (DeFi)

DeFi протоколы создают обширные возможности для AI агентов по предоставлению ценности:

Оптимизация доходности: Агенты постоянно мониторят возможности повышения доходности в десятках протоколов и на нескольких цепочках, автоматически перераспределяя капитал для максимизации доходности при управлении рисками.

Автоматизированное создание рынка: Вместо пассивного обеспечения ликвидности агенты активно корректируют позиции в зависимости от условий рынка, волатильности и уровня запасов.

Управление ликвидацией: Для кредитных протоколов агенты контролируют коэффициенты обеспеченности и выполняют ликвидации в оптимальные моменты, зарабатывая комиссионные, при этом поддерживая платежеспособность протокола.Разные цепочки, выполнение сложных многошаговых торгов, учитывающих комиссии за газ, проскальзывание и время.

Ребалансировка портфеля: Агенты поддерживают целевые распределения по разным активам, автоматически ребалансируя их по мере изменения цен и появления новых возможностей.

Olas Protocol, ранее Autonolas, является примером этой модели. Платформа предоставляет пользователям доступ к автономным торговым агентам, которые управляют рынками предсказаний на Gnosis Chain. Согласно их вебсайту, агенты, такие как Modius, достигают примерно 17% годовых от автономной торговли, плюс 138% годовых от стейкинга токенов OLAS. По состоянию на начало 2025 года протокол сообщил более 3 миллионов транзакций, демонстрируя реальную экономическую активность.

Управление и координация в DAO

Децентрализованные автономные организации значительно выигрывают от участия ИИ-агентов:

Анализ предложений: Агенты анализируют предложения по управлению, проверяя изменения в коде, экономические последствия и соответствие целям DAO. Governatooorr от Olas является первым в мире автономным ИИ-управителем, оценивающим предложения и голосующим в соответствии с предпочтениями делегаторов.

Голосование делегатов: Владельцы токенов могут делегировать голосовые полномочия ИИ-агентам с конкретными инструкциями или ценностями. Агенты голосуют по каждому предложению, в то время как люди занимаются только спорными или важными решениями.

Координация: В крупных DAО координация между часовыми поясами и заинтересованными сторонами является сложной задачей. Агенты могут способствовать обсуждениям, суммировать позиции, выявлять консенсус и предлагать компромиссы.

Управление казной: Казна DAО часто простаивает или управляется наугад. ИИ-агенты могут внедрять сложные стратегии управления казной — диверсифицировать активы, генерировать доход и финансировать операции автоматически на основе заранее определенных политик.

Рынки данных и монетизация

ИИ и криптовалюта создают новые модели для обмена данными:

Децентрализованные обучающие данные: Проекты, такие как Ocean Protocol, создают маркетплейсы, где владельцы данных могут монетизировать информацию, сохраняя при этом конфиденциальность с помощью таких методов, как федеративное обучение и дифференциальная конфиденциальность.

Маркетплейсы моделей: AI marketplace от SingularityNET позволяет разработчикам публиковать и монетизировать ИИ-услуги. Агенты могут находить, оценивать и приобретать доступ к специализированным моделям по мере необходимости.

Вычислительные рынки: Bittensor управляет одноранговой сетью машинного обучения, где участники обучают ИИ-модели на более чем 125 специализированных подсетях, зарабатывая TAO токены на основе качества их результатов. Это создает экономические стимулы для децентрализованной разработки ИИ.

Происхождение данных: Блокчейн предоставляет проверяемые записи о владении данными и их использовании. Агенты могут доказать, какие данные они использовали для принятия решений, что важно для соблюдения норм и аудита.

Идентичность и репутация

ИИ-агентам требуется постоянная идентичность для формирования доверия и отслеживания репутации:

Идентичность на блокчейне: Системы, такие как ENS (Ethereum Name Service), предоставляют агентам человекочитаемые имена, связанные с блокчейн-адресами.

Системы репутации: Запись поведения агентов на блокчейне создает проверяемые отчеты о деятельности. Успешные трейдеры, надежные поставщики услуг или полезные помощники накапливают положительную репутацию, которая позволяет брать более высокие комиссии.

Предоставление полномочий: Агенты могут иметь проверяемые полномочия — доказательства платежеспособности, соответствия нормам, специфических возможностей — что создаёт доверие в децентрализованных средах.

Социальные графы: Агенты могут поддерживать сети доверенных контрагентов, предпочитая взаимодействие с субъектами, которые зарекомендовали себя как надежные.

NFT и цифровые активы

Не взаимозаменяемые токены создают уникальные возможности для ИИ-агентов:

Автоматическая кураторская работа: Агенты могут оценивать коллекции NFT на основе редкости, исторических продаж, репутации создателя и эстетических качеств, создавая кураторские портфели или рынки.

Динамические NFT: Контент, сгенерированный ИИ, может создавать NFT, которые развиваются на основе внешних данных, взаимодействия владельца или рыночных условий.

Игровые NPC: Интеграция Virtuals Protocol с Illuvium демонстрирует ИИ-управляемых NPC в блокчейн-играх — персонажей, которые обучаются, адаптируются и предоставляют уникальный опыт, будучи токенизированными активами, которыми игроки могут владеть и менять.

Распределение роялти: Агенты могут управлять сложными структурами роялти для цифрового контента, автоматически распределяя выплаты между создателями, соавторами и правообладателями.

Операции между цепочками

По мере фрагментации экосистемы блокчейнов на несколько сетей агенты обеспечивают важные мосты:

Мультицепочечный арбитраж: Агенты следят за ценами в сетях Ethereum, Solana, Avalanche, Polygon и других, выполняя выгодные сделки, управляя при этом стоимостью и рисками подключения.

Миграция активов: Автоматический перевод активов на цепочки, где они могут быть эффективнее использованы — например, перевод стейблкоинов на Base для снижения комиссий или перевод NFT на Polygon для более широкого доступа к рынку.

Агрегированная ликвидность: Вместо того чтобы пользователи вручную управляли позициями в разных цепочках, агенты обрабатывают предоставление ликвидности между цепочками, ребалансируя её по мере изменения условий.

Социальные и развлекательные контексты

ИИ-агенты входят в социальные и развлекательные контексты:

ИИ-инфлюенсеры: Virtuals Protocol позволяет создавать токенизированных ИИ-агентов, которые могут взаимодействовать в социальных сетях, создавать контент и строить сообщества. Владельцы токенов совместно владеют этими агентами и делят доход, который они генерируют.

Виртуальные компаньоны: ИИ-сущности, которые предоставляют персонализированное взаимодействие, развлечение или помощь, при этом использующие блокчейн для платежей и права собственности.

Совместное творчество: Агенты, которые работают с людьми над творческими проектами— создание искусства, музыки или писательства — с помощью блокчейна, отслеживающего вклад и справедливо распределяющего ценность.

Эти случаи использования не являются гипотетическими. Свыше 520 крипто-проектов с ИИ-агентами с общей рыночной капитализацией более 6 миллиардов долларов были активны к августу 2025 года. Рынок DeFAI должен вырасти с 10-15 миллиардов долларов до более чем 50 миллиардов долларов к 2026 году по мере созревания протоколов и ускорения внедрения.

Карта экосистемы: ключевые игроки, протоколы и инфраструктурные уровни

Экосистема крипто проектов с ИИ-агентами включает десятки проектов, каждый из которых вносит свой вклад в развитие той или иной возможности. Картирование ландшафта помогает определить, где сосредоточена ценность и инновации.

Инфраструктурные протоколы

Fetch.ai (FET): Один из первых участников, Fetch.ai запущен в 2019 году, предоставляя инфраструктуру для автономных экономических агентов. Платформа позволяет агентам обнаруживать друг друга, договариваться о условиях и передавать ценность. Fetch.ai представила ASI-1, объемную языковую модель, веб3-ориентированную, специально разработанную для агентного ИИ, оптимизированную для независимого планирования и выполнения многоэтапных задач. Проект является частью Artificial Superintelligence Alliance, объединяясь с SingularityNET и Ocean Protocol для создания крупнейшей инициативы с открытым исходным кодом, посвященной децентрализованному AGI. К середине 2025 года токен Fetch.ai FET торгуется около $0.78 с рыночной капитализацией около $1.79 миллиардов.

Autonolas (OLAS): Теперь брендированный как Olas, этот протокол предоставляет единую сеть офф-чейн услуг, включая автоматизацию, оракулы и совместно используемый ИИ. Запущенный летом 2022 года, Olas использует "framework" Autonomous Economic Agent (AEA) для интеграции криптовалюты и ИИ. Приложение Pearl протокола служит своего рода "магазином приложений" для ИИ-агентов, позволяя пользователям управлять автономными агентами на своих компьютерах. Olas привлекли $13.8 миллионов в начале 2025 года для расширения экосистемы, при этом агенты в настоящее время обрабатывают более 700,000 транзакций в месяц и растут на 30% в месяц.

Bittensor (TAO): Будучи децентрализованной сетью машинного обучения, Bittensor позволяет майнерам вносить ИИ-модели в сеть в обмен на TAO токены. Платформа управляет более чем 125 специализированными подсетями, ориентированными на задачи от генерации текста до распознавания изображений и анализа данных. Первое уменьшение эмиссии Bittensor запланировано на декабрь 2025 года, что сократит ежедневную эмиссию TAO с 7,200 до 3,600 токенов. Приблизительно 70% TAO уже зафиксировано в стейкинге, это сокращение предложения может создать значительное давление на повышение. TAO торгуется около $436 с рыночной капитализацией около $3.63 миллиардов, что делает его одним из крупнейших активов на ИИ в криптовалюте.

SingularityNET (AGIX): Основанная доктором Беном Гёрцелем в 2017 году, SingularityNET управляет децентрализованным маркетплейсом для ИИ-услуг. Разработчики публикуют ИИ-инструменты, доступ к которым пользователи могут получить, заплатив токены AGAI-to-AI service negotiation: переговоры между автономными агентами, позволяющие им взаимодействовать. SingularityNET разрабатывает Zarqa, нейро-символическую LLM, которая комбинирует глубокое обучение с логическим рассуждением для более этичного и фактического ИИ. В рамках Альянса ASI, AGIX переходит на унифицированный ASI токен, хотя точный график и механика остаются под управлением сообщества.

Платформы приложений

Виртуальный протокол (VIRTUAL): Возникая как ведущая стартовая площадка для ИИ агентов, Virtuals Protocol предоставляет инфраструктуру для создания, токенизации и монетизации автономных агентов. GAME фреймворк платформы позволяет разработчикам создавать мультимодальные ИИ агенты без знаний программирования. Каждый запущенный агент становится ERC-20 токеном, что позволяет сообществам совместно владеть и управлять ИИ сущностями. В 2025 году виртуальные активы достигли почти 1 миллиарда долларов, с протоколом, генерирующим 30 миллионов долларов ежегодно от торговых сборов. Примечательные реализации включают NPC, управляемых ИИ, в игровых средах и личности в социальных сетях, которые генерируют доход за счет вовлеченности.

ai16z: Запущенный на Solana в конце 2024 года, ai16z действует как первая автономная DAO, возглавляемая ИИ агентом — цифровым воплощением венчурного капиталиста Марка Андреессена. Проект использует фреймворк Eliza для симуляции нескольких агентов, позволяя им поддерживать постоянные личности на различных платформах. Капитализация рынка ai16z выросла до 2 миллиардов долларов в январе 2025 года, и держатели токенов зарабатывают 31,39% годовых через ai16zPOOL. Проект демонстрирует, как ИИ агенты могут координировать инвестиционные решения и управление сообществом.

Infinit Labs: Сфокусированный на DeFi, основанном на намерениях, Infinit Labs управляет роем из более 20 ИИ агентов на 10 блокчейнах. Эти агенты автоматизируют обмены, перекрестки и оптимизацию доходности через команды на естественном языке. Протокол достиг $630 миллионов совокупной заблокированной стоимости и обрабатывает $200 миллионов месячного объема, демонстрируя значительное принятие пользователями.

Сетевые данные и вычисления

Render (RNDR): Несмотря на то, что он не полностью ориентирован на ИИ, Render предоставляет децентрализованную рендеринг GPU, которую ИИ агенты используют для вычислительных задач. Сеть токенизирует мощность GPU, позволяя агентам арендовать процессорные ресурсы по мере необходимости. Это решает критическую проблему — AI моделям требуется значительное количество вычислительных ресурсов, а рынок Render предоставляет доступную мощность.

Ocean Protocol (OCEAN): Входя в состав Альянса ASI, Ocean Protocol создает инфраструктуру для безопасного обмена и монетизации данных. Платформа позволяет владельцам данных сохранять контроль, предоставляя доступ к информации для обучения или вывода ИИ агентами. Подход Ocean, использующий вычисления на данных, сохраняет конфиденциальную информацию в приватности при этом извлекая ценность.

NEAR Protocol: Хотя в основном является блокчейном уровня 1, NEAR позиционирует себя как центр инструментов для ИИ с инициативами такими, как Near Tasks, привлекающими разработчиков проектов ИИ. Низкие комиссии платформы и высокая пропускная способность делают ее подходящей для операций ИИ агентов, требующих частых транзакций.

Специализированные приложения

OriginTrail (TRAC): Изначально сосредоточенный на данных цепочек поставок, OriginTrail управляет графом знаний, который могут запрашивать ИИ агенты для получения структурированной информации. Проект обеспечивает происхождение данных и их проверку, что важно для агентов, принимающих решения на основе внешней информации.

PAAL AI: Предоставляя персонализированных ИИ помощников для криптопользователей, PAAL AI предлагает пользовательские боты, которые помогают в торговле, поиске информации и управлении портфелем. Платформа демонстрирует, как ИИ агенты могут обслуживать отдельных пользователей вместо того, чтобы работать полностью автономно.

AIXBT: Действующий как ИИ влиятельный и аналитик, ориентированный на криптовалюты, AIXBT анализирует данные на блокчейне, рыночные настроения и метрики токенов для выявления возможностей. Хотя этот проект вызывает споры из-за "галлюцинаций" и взлома безопасности 2025 года, стоившего 55 ETH, AIXBT продемонстрировал потенциал — и риски — ИИ агентов как участников рынка. Агент обнаружил рост токена $PIPPIN на 600% в августе 2025 года, демонстрируя предсказательные способности наряду с предостерегающими примерами по поводу "черного ящика" алгоритмов.

Поддерживающая инфраструктура

Lit Protocol: Обеспечивает децентрализованное управление ключами с использованием MPC, позволяющее ИИ агентам безопасно подписывать транзакции без раскрытия приватных ключей.

Warden Protocol: Реализует управление доступом на основе политики для кошельков ИИ агентов, определяя, какие действия агенты могут выполнять при каких условиях.

The Graph (GRT): Обеспечивает децентрализованную индексацию данных блокчейна, облегчая ИИ агентам эффективное выполнение запросов к исторической информации.

Chainlink: Поставляет надежные ценовые оракулы и внешние данные, на которые ИИ агенты полагаются для принятия решений.

Динамика рынка

Рынок криптовалюты для ИИ агентов показывает сосредоточение стоимости в нескольких крупных проектах с высоким рыночным капиталом наряду с множеством новых приложений. Общая рыночная капитализация AI криптовалют достигла $31.9 миллиарда в 2025 году, с:

• Bittensor (TAO) на уровне $3.63 миллиарда
• Множеством проектов в диапазоне от $500 миллионов до $2 миллиарда
• Более чем 200 активными токенами ИИ с разной специализацией

Сектор показал рост рыночной капитализации на $10 миллиардов за одну неделю 2025 года, демонстрируя высокий интерес инвесторов. Однако рынок остается крайне нестабильным, а отдельные токены испытывают колебания на 50% и более за несколько дней.

Географическая концентрация благоприятствует проектам с сильным присутствием в США или ЕС, что вероятно обусловлено ясностью регулирования и доступом к ИИ талантам. Азиатские проекты больше фокусируются на игровых и развлекательных приложениях, тогда как западные проекты подчеркивают DeFi и инфраструктуру.

Конкурентная среда остается текучей. Ни один проект не доминирует во всех случаях использования, создавая возможности для специализации. Однако, интероперабельность остается ограниченной — большинство агентов функционируют в пределах конкретных экосистем вместо более широкой криптографической среды. Проекты, которые достигнут совместимости между протоколами, могут получить значительные преимущества.

Риски и вызовы: безопасность, регулирование, идентичность и автономность

Несмотря на многообещающие приложения, ИИ агенты в криптографии сталкиваются с значительными рисками, которые могут ограничить их использование или привести к значительному ущербу. Понимание этих вызовов является ключевым для разработчиков, пользователей и регуляторов.

Уязвимости безопасности

ИИ агенты создают новые поверхности атаки, которые традиционные модели безопасности не полностью покрывают.

Внедрение предложений: Исследователи из Принстонского университета показали, как злоумышленники могут манипулировать памятью ИИ агентов через "манипуляцию контекстом". Встраивая вредоносные команды в сообщений, которые агент ссылается — такие как посты на X или Discord — атакующие могут изменять поведение агента без создания тревожных сигналов. Эти атаки могут перенаправлять транзакции, манипулировать кошельками и оставаться не обнаруженными в памяти агента. Главный офицер по информационной безопасности OpenAI признал, что "внедрение предложений остается границей, нерешенной проблемой безопасности".

Управление ключами: Хотя решения, такие как MPC распределяют доверие, они добавляют сложности. Неправильно настроенные системы управления ключами могут заблокировать пользователей от их средств или раскрыть ключи в ходе рутинных операций. Ожидается, что число ИИ агентов в криптографии превысит миллион в 2025 году, и обеспечение безопасности ключей в больших масштабах остается сложной задачей.

Эксплойты смарт-контрактов: Когда ИИ агенты взаимодействуют со смарт-контрактами, уязвимости в этих контрактах становятся уязвимостями для агентов. Агент, направляющий средства в DeFi протокол с багами, может потерять капиталы не из-за ошибки агента, а из-за недостатков в смарт-контракте.

Манипуляции оракулом: ИИ агенты полагаются на внешние потоки данных. Манипуляция ценовыми оракулами или другими источниками данных может привести к тому, что агенты примут неверные решения, выполнят невыгодные сделки или спровоцируют непреднамеренные ликвидации.

Византийское поведение: В многоагентных системах некоторые агенты могут вести себя злонамеренно — предоставлять ложную информацию, отказываться сотрудничать или активно работать против целей системы. Разработка устойчивых механизмов консенсуса для координации агентов является открытой исследовательской задачей.

Проблемы конфиденциальности

ИИ агенты, обрабатывая конфиденциальную информацию, создают риски для конфиденциальности:

Утечка данных: Агенты часто получают доступ как к данным на блокчейне, так и вне его. Если не обращаться с этим осторожно, это может раскрыть пользовательскую идентичность, модели транзакций или другую конфиденциальную информацию.Translate following content from en to ru.

Surveillance: Постоянные идентификации агентов, накопливающие истории транзакций, могут упростить профилирование и отслеживание людей через разные приложения.

Compliance vs. Privacy: Правила, такие как KYC/AML, требуют подтверждения идентификации, но пользователи криптовалют ценят конфиденциальность. AI-агенты, работающие в этой сфере, должны балансировать между конкурирующими требованиями.

Регуляторная неопределенность

Регулирование для AI-агентов в крипте в значительной мере не определено:

Закон о ценных бумагах: Когда AI-агенты токенизируют себя или свои услуги, возникают вопросы, являются ли эти токены ценными бумагами. Дебаты классификации SEC вокруг токенов AI-агентов могут существенно повлиять на развитие этих систем.

Ответственность: Если AI-агент совершает ошибку - например, совершает плохую сделку, нарушает смарт-контракт или вызывает финансовый ущерб - кто несет ответственность? Разработчик агента? Пользователь, который его развернул? Платформа, предоставляющая инфраструктуру? Юридическая фирма Fenwick отмечает, что "использование программного обеспечения для привлечения средств от инвесторов в США по инвестиционному контракту, вероятно, будет считаться предложением ценных бумаг, подлежащим регулированию в соответствии с Законом о ценных бумагах".

Регулирование финансовых услуг: AI-агенты, облегчающие финансовые услуги, должны учитывать соответствие существующим правилам в отношении передачи денег, инвестиционного консультирования и брокерских дилерских операций.

Законы, касающиеся AI: Юрисдикции вводят специфические для AI правила. Калифорнийский AB 2013 требует раскрытия информации о данных обучения, SB 942 требует инструментов обнаружения AI, а Колорадский SB 24-205 обязывает раскрытие информации для высокорисковых AI-систем. Крипто AI-агенты, работающие на глобальном уровне, должны ориентироваться в сложной структуре различных правил.

Международные операции: Агенты, работающие в различных юрисдикциях, сталкиваются с фрагментированными правилами. То, что законно в одной стране, может быть ограничено в другой, однако агенты могут мгновенно совершать транзакции по всему миру.

Соответствие KYC/AML: Традиционные процессы KYC/AML предполагают наличие человеческих клиентов. Когда агенты совершают транзакции самостоятельно, возникают вопросы: должны ли агенты подвергаться процедуре KYC? Смогут ли они вообще пройти KYC? Если агент совершает финансовое преступление, как власти реагируют? Регуляторы все чаще требуют мониторинга транзакций в реальном времени, что добавляет сложности для автономных систем.

Алгоритмическая предвзятость и справедливость

AI-агенты наследуют предвзятости, присутствующие в их данных обучения:

Дискриминация в торговле: Агент, обученный на исторических данных, может дискриминировать определенные токены, проекты или группы пользователей на основе ложных корреляций.

Неравенство в доступе: Если AI-агенты предоставляют превосходные торговые инструменты или оптимизацию доходности, те, кто не имеет доступа, сталкиваются с возрастающими недостатками, что потенциально усугубляет неравенство в богатстве.

Объясняемость: Когда агенты принимают решения самостоятельно, понять, почему они так поступили, может быть сложно. Эта "проблема черного ящика" делает отладку, аудит и построение доверия сложной задачей. Регуляторы требуют объясняемости AI, но многие методы машинного обучения сопротивляются интерпретации.

Технические ограничения

Текущие технологии ограничивают, что AI-агенты могут надежно достичь:

Окна контекста: Даже передовые LLM имеют ограниченный контекст - они могут обрабатывать только определенное количество информации за раз. Сложные многошаговые стратегии могут превышать эти пределы.

Вычислительные затраты: Запуск сложных AI моделей дорог. Для малых транзакций затраты на прогнозирование могут превысить созданную экономическую ценность.

Галлюцинации: AI-модели иногда генерируют правдоподобную, но ложную информацию. Агент, "галлюцинирующий" инвестиционную возможность или регуляторное требование, может нанести реальный финансовый ущерб.

Атаки с использованием противодействующих примеров: Небольшие изменения входных данных могут привести к тому, что AI модели произведут совершенно неправильные выходные данные. Злоумышленники могли бы использовать это, чтобы манипулировать поведением агента.

Экономические и теоретико-игровые риски

AI-агенты создают новые экономические динамики с неопределёнными последствиями:

Мгновенные крахи: Если многие AI-агенты реагируют одинаково на рыночные условия, они могут усилить волатильность или вызвать цепную реакцию ликвидаций.

Экстрактивные стратегии: Развитые AI-агенты могут извлекать выгоду из менее развитых или от человеческих трейдеров, создавая хищническую динамику.

Истощение ресурсов: Агенты, соревнующиеся за возможности, могут повысить комиссии за газ, вытеснить человеческих участников или исчерпать ликвидные пулы.

Сбои координации: В многоагентных системах достижение выгодной координации сложно. Агенты могут прийти к неоптимальному равновесию, даже когда существуют лучшие варианты.

Автономия и контроль

Возможно, самая фундаментальная задача - это баланс между автономией и контролем:

Неуправляемое поведение: Агент, обладающий широкой автономией, может преследовать свои цели непредсказуемыми способами. Например, агент, стремящийся "максимизировать доход", может использовать все более рискованные стратегии, что в конечном итоге приводит к катастрофическим потерям.

Соответствие ценностям: Обеспечение следования целям, согласованным с ценностями пользователей, является сложной задачей. Мысленный эксперимент Ника Бострома о "максимизаторе скрепок" иллюстрирует, как, казалось бы, безобидные цели могут привести к пагубным последствиям, если они выполняются без соответствующих ограничений.

Человеческий надзор: Полностью автономные агенты исключают людей из процесса принятия решений, но полный ручной контроль сводит на нет цель автономии. Поиск правильного баланса, где агенты справляются с рутинными решениями, поднимая важные на рассмотрение человека, остается открытой задачей в дизайне.

Отзывчивость: Если агент действует неверно, можно ли отменить его действия? Смарт-контракты выполняются неотменяемо, что означает, что ошибки агента могут быть постоянными.

Стратегии снижения рисков

Индустрия разрабатывает подходы для решения этих рисков:

Постепенная автономия: Начните с агентов, предлагающих действия, требующие одобрения, постепенно увеличивая автономность, по мере того, как системы доказывают свою надежность.

Песочницы: Тестируйте агентов в имитируемых средах перед их внедрением с реальным капиталом.

Ограничители: Реализуйте автоматические отключения, если агенты ведут себя неожиданным образом - превышают лимиты расходов, совершают слишком много транзакций или создают убытки выше пороговых значений.

Мониторинг и аудит: Непрерывное наблюдение за поведением агентов с уведомлениями о аномалиях. Прозрачный логирование позволяет провести постфактумный анализ.

Страхование: Появляющиеся страховые продукты могут покрывать убытки от ошибочного поведения агентов, распределяя риск по многим пользователям.

Коллективное управление: Вместо того чтобы отдельные агенты работали независимо, агентские коллективы с распределённым принятием решений могут оказаться более устойчивыми.

Формальная проверка: Для критических функций математическое доказательство, что поведение агента соответствует спецификациям, может предотвратить определенные классы ошибок.

Несмотря на эти стратегии, значительная неопределенность остается. Полный риск-профиль AI-агентов в крипте станет ясен, только когда системы масштабируются и созревают. Ранние развертывания должны проводиться с осторожностью, с тщательным мониторингом и готовыми способами быстрого реагирования.

Экономические последствия: как AI-управляемые транзакции могут изменить DeFi

Интеграция AI-агентов в децентрализованные финансы имеет глубокие экономические последствия, выходящие за пределы автоматизированной торговли, чтобы изменить рыночную структуру, создание добавленной стоимости и динамику власти.

Увеличение эффективности и ликвидности рынка

AI-агенты могут значительно улучшить рыночную эффективность:

Узкие спреды: Агенты, предоставляющие ликвидность, могут обновлять котировки непрерывно на основе риска и запасов, уменьшая спред покупка-продажа. Это снижает торговые издержки для всех участников.

Устранение арбитража: AI-агенты, быстро выполняющие арбитражные сделки, могут устранить ценовые несоответствия между площадками, обеспечивая, чтобы цены отражали всю доступную информацию.

Круглосуточная работа: В отличие от человеческих трейдеров, которые спят, AI-агенты работают непрерывно. Это обеспечивает постоянную ликвидность и снижает премию за ночной риск.

Выполнение сложных стратегий: Сложные многокомпонентные стратегии, которые непрактичны для людей, становятся доступными, улучшая капитальную эффективность.

Исследования показывают, что технологии AI уже составляют около 40% ежедневного объема торговли криптовалютой. По мере увеличения сложности агентов, эта пропорция, вероятно, будет расти.

Новые бизнес-модели

AI-агенты позволяют бизнес-модели, которые ранее были невозможными:

Микроплатежи-как-услуга: С помощью x402, позволяющего за требование платежи, услуги могут монетизироваться на уровне мелких частей. Вызов API, стоящий доли цента, становится экономически жизнеспособным.

Динамическое ценообразование: Агенты могут непрерывно корректировать цены на основе спроса, запасов и рыночных условий, оптимизируя при этом доход.

Фракционная собственность: Агенты, управляющие токенизированными активами могут делить собственность на небольшие фракции, позволяя широкое участие в активы с высокой стоимостью.

Персонализированные финансовые продукты: Вместо одноразовых DeFi протоколов, агенты могут создавать индивидуальные стратегии для отдельных пользователей, основываясь на их толерантности к риску, целях и предпочтениях.

Эффекты распределения богатства

AI-агенты могут повлиять на распределение богатства сложными способами:

Демократизация: Предоставляя доступ к сложным стратегиям любому, агенты могут уменьшить преимущества, которые в настоящее время имеют профессиональные трейдеры и учреждения.Малый инвесторский AI-агент] может выполнять стратегии, схожие с теми, которые используют хедж-фонды.

Динамика "Победитель получает все": Напротив, если лучшие AI-агенты значительно превосходят остальных, их разработчики или владельцы могут быстро накапливать богатство, что потенциально увеличивает неравенство.

Замещение труда: Поскольку агенты выполняют задачи, которые в настоящее время выполняют люди - создание рынка, управление портфелем, голосование в управлении - возникают вопросы о роли людей в экономике, доминируемой агентами.

Распределение капитала

AI-агенты меняют путь движения капитала в экономике:

Гиперрациональные рынки: Если агенты доминируют в торговле, рынки могут стать более эффективными, но также более волатильными, поскольку алгоритмические стратегии взаимодействуют непредсказуемым образом.

Создание стоимости для длинного хвоста: Агенты могут экономично обслуживать ниши, слишком малые для внимания человека. Это может направлять капитал в упущенные возможности, повышая общую эффективность распределения.

Координация в больших масштабах: Сети агентов, координирующиеся через смарт-контракты, могут распределять капитал по проектам на основе сложных многосторонних критериев, что потенциально улучшает как рыночные механизмы, так и централизованное планирование.

Дизайн протоколов DeFi

Протоколы должны адаптироваться для размещения AI-агентов:

Оптимизация газа: Поскольку агенты совершают частые мелкие транзакции, протоколы должны минимизировать затраты на газ или перейти на решения второго уровня.

Механизмы устойчивые к ботам: Некоторые протоколы могут захотеть ограничить активность ботов для защиты человеческих пользователей. Проектирование механизмов, различающих полезных агентов и извлекающих, является сложной задачей.

Интерфейсы, дружественные агентам: Вместо пользовательских интерфейсов протоколы нуждаются в машинно-читаемых API, стандартизированных форматах данных и четкой документации, позволяющей взаимодействие агентов.

Эволюция управления: Управление DAO должно учитывать голосование агентов. Должны ли агенты иметь полные права голоса? Должна ли быть проверка того, что агенты голосуют в соответствии с предпочтениями делегаторов? Как следует ограничивать голосующие возможности агентов?

Преобразование рисков

AI-агенты не устраняют, а трансформируют риски:

Риск модели: Вместо ошибки человеческого суждения мы сталкиваемся с риском модели - возможностью того, что логика принятия решений AI ошибочна.

Системная хрупкость: Взаимозависимость агентов может создать системные риски. Если многие агенты полагаются на аналогичные источники данных, модели или стратегии, они могут потерпеть неудачу одновременно.

Операционный риск: Управление агентской инфраструктурой - обеспечение бесперебойной работы, предотвращение несанкционированного доступа, обновление моделей - становится критическим.

Риск ликвидности: Поведение агентов может вызвать резкие кризисы ликвидности, если многие агенты одновременно захотят выйти из позиций.

Транзакционные издержки и захват стоимости

AI-агенты перестраивают, кто захватывает стоимость:

Дезинтермедиация: Агенты уменьшают необходимость в посредниках, таких как биржи, брокеры или консультанты. Это может снизить издержки, но также устранить потоки доходов, поддерживающих инфраструктуру.

Комиссии протокола: Если протоколы взимают комиссии за транзакции агентов, они могут генерировать значительные доходы. Однако агенты будут искать площадки с наименьшими издержками, создавая конкурентное давление.

Информационная асимметрия: Агенты с лучшим доступом к данным, превосходными моделями или более быстрой реализацией захватывают стоимость у менее способных агентов и человеческих трейдеров. Это может создать технологическую гонку вооружений.

Макроэкономические эффекты

В больших масштабах AI-агенты могут влиять на более широкую экономическую динамику:

Скорость денежного обращения: Быстрая транзакционная деятельность агентов может увеличить скорость обращения денег, потенциально влияя на цены и волатильность.

Открытие рынков: Если агенты торгуют на основе фундаментальных показателей, а не настроений, процесс открытия цен может улучшиться. Напротив, если агенты торгуют на основе технических моделей, рынки могут стать более самореференциальными.

Деловые циклы: Поведение агентов может смягчать или усиливать экономические циклы в зависимости от их реакции на изменения условий.

Передача монетарной политики: Если значительная экономическая деятельность связана с транзакциями "агент-агент", традиционные инструменты монетарной политики могут стать менее эффективными.

Экономика стейблкоинов

Стейблкоины позиционируются как "AI-родная валюта", с месячным объемом расчетов, достигающим $1,39 триллиона в первой половине 2025 года. Крупные эмитенты стейблкоинов теперь занимают 17-е место в мире по объемам владения казначейскими обязательствами США.

AI-агенты выигрывают от характеристик стейблкоинов:

Программируемость: Код может непосредственно управлять перемещениями стейблкоинов на основе решений агентов. Скорость: Расчеты завершаются за секунды, что соответствует скорости принятия решений AI. Композиционность: Стейблкоины работают между протоколами без трения при конверсии. Стоимость: Транзакционные издержки минимальны, что позволяет осуществлять микроплатежи.

Это предполагает, что принятие стейблкоинов может ускоряться по мере распространения AI-агентов, потенциально позиционируя стейблкоины как инфраструктуру для коммерции "машина-машина".

Создание стоимости против извлечения стоимости

Центральный вопрос заключается в том, создают ли AI-агенты в основном новую стоимость или извлекают существующую стоимость от других участников:

Создание стоимости: Агенты, предоставляющие ликвидность, улучшая эффективность информации, предоставляя новые сервисы и снижая трения, создают подлинную экономическую стоимость.

Извлечение стоимости: Агенты, предвосхищающие сделки, эксплуатирующие менее развитых участников рынка или участвующие в игре с нулевой суммой, могут извлекать, а не создавать ценность.

Чистый эффект зависит от нормативных рамок, выбора дизайна протоколов и распределения уровня sophistication среди агентов. Если все агенты становятся высоко способными, конкуренция может устранить избыточную прибыль, принося пользу конечным пользователям. Если способности остаются сосредоточенными, первые вступившие могут извлекать значительную аренду.

Долгосрочные структурные изменения

На более длительных горизонтах AI-агенты могут фундаментально перестроить экономическую активность:

От компаний к сетям агентов: Вместо корпораций, нанимающих людей, мы можем видеть сети автономных агентов, координирующих свои действия для предоставления услуг.

От занятости к собственности: Если агенты обрабатывают большую часть экономической деятельности, стоимость может накапливаться у владельцев агентов, а не у работников, сдвигая экономическую организацию в сторону собственности на капитал.

От транзакций к подписке: Вместо повторной покупки доступа пользователи могут подписываться на услуги агентов, создавая повторяющиеся потоки доходов.

От конкуренции к сотрудничеству: Сети агентов, эффективно сотрудничающие, могут превзойти чисто конкурентных агентов, предпочитая протоколы, позволяющие координацию.

Эти изменения ставят серьёзные вопросы об экономической организации, распределении богатства и роли людей в экономических системах. Хотя это носит спекулятивный характер, они заслуживают серьёзного рассмотрения, поскольку развертывание AI-агентов ускоряется.

Перспективы будущего: к полностью агентной экономике на блокчейне

Траектория AI-агентов в крипто указывает на всё более сложные автономные системы, меняющие способы создания, обмена и управления ценностями в цифровых экономиках.

Краткосрочная эволюция (2025-2026)

Несколько трендов, вероятно, будут доминировать в следующие 12-18 месяцев:

Расширенная поддержка протоколов: Coinbase указал планы по увеличению поддержки большего количества моделей AI и инструментов для разработчиков. Ожидаются интеграции с дополнительными LLM, поддержка более широких цепочек помимо Base и расширенные возможности, охватывающие операции DeFi, такие как кредитование, стекинг и предоставление ликвидности.

Агенты кросс-цепочки: В настоящее время большинство агентов работают в конкретных экосистемах. Развитие протоколов обмена сообщениями между цепочками и улучшенная инфраструктура мостов позволят агентам одновременно работать в нескольких сетях, оптимизируя стратегии глобально, а не локально.

Маркетплейсы агентов: Платформы, такие как Virtuals Protocol's Pearl, демонстрируют спрос на обнаружение и развёртывание готовых агентов. Ожидается рост маркетплейсов, где пользователи могут просматривать, приобретать и настраивать агентов для конкретных задач - аналогично цифровым магазинам приложений, но для автономных экономических объектов.

Регуляторная определенность: По мере роста принятия регулирующие органы предоставят более ясное руководство. Крипто-группа SEC США, запущенная в январе 2025 года, разрабатывает более чёткие директивы. Регулирование MiCA в Европе, полностью вводимое в действие, предоставляет основу, вероятно, влияющую на глобальные стандарты.

Институциональное принятие: Публичные компании, такие как Interactive Strength, планирующие закупки FET на $500 миллионов, и Grayscale, включающая TAO в инвестиционные трасты, сигнализируют об интересе со стороны институциональных инвесторов. Этот капитал может ускорить развитие и массовое принятие.

Среднесрочные разработки (2027-2028)

Экономики агент-агент: Вместо того, чтобы агенты обслуживали человеческих пользователей, агенты будут всё более активно взаимодействовать друг с другом. Агенты, нуждающиеся в данных, будут платить другим агентам, предоставляющим их. Агенты, требующие вычислительных ресурсов, будут арендовать их у других агентов. Это создаёт автономные экономические сети с минимальным участием человека.

Сложное управление: AI-агенты будут играть более значительные роли в управлении DAO. Вместо того...Content: простое голосование, агенты могут договариваться о компромиссах, разрабатывать предложения и координировать реализацию - выступая в роли цифровых политиков или администраторов.

Decentralized Training: Проекты такие как Bittensor демонстрируют, что обучение моделей ИИ может происходить по распределенным сетям. По мере развития, агенты могут координировать усилия для совместного обучения моделей, разделяя издержки и выгоды.

Advanced Financial Products: Агенты будут автоматически создавать сложные финансовые инструменты. Синтетические активы, отслеживающие произвольные индексы, опционы с индивидуальных выплатами, структурированные продукты, оптимизированные для конкретных профилей рисков - все это будет создаваться и управляться автономно.

Legal Personhood: Вопросы о юридическом статусе агентов будут нарастать. Некоторые юрисдикции могут признать агентов как субъекты, способные владеть имуществом, заключать контракты и иметь ограниченную ответственность - подобно тому, как корпорации получили юридическую правосубъектность.

Long-Term Transformation (2029-2035)

Autonomous Corporations: Мы можем увидеть полностью автономные единицы - агентов, которые координируют предоставление продуктов или услуг, управляют казначействами, нанимают подрядчиков (человеческих или агентных) и распределяют прибыль между держателями токенов. Эти "децентрализованные автономные компании" станут новой формой экономической организации.

Machine-Optimized Protocols: Текущие DeFi протоколы разработаны для взаимодействия с человеком. Будущие протоколы могут быть оптимизированы для использования агентами - более сложная логика, высокочастотные операции и интерфейсы, оптимизированные для машинного чтения, а не удобства человека.

Economic Complexity: Агентные сети, координирующие работу среди тысяч протоколов и миллионов транзакций, могут создавать экономические структуры, более сложные, чем человек может полностью понять. Понимание этих систем может потребовать помощи ИИ - использования агентов для мониторинга агентов.

Value Realignment: Если агенты берут на себя большинство экономических транзакций, возникают вопросы о том, что делают люди. Возможно, человеческие роли смещаются в сторону указания ценностей (говоря агентам, на что акцентироваться), надзора (мониторинг поведения агентов) и креативной работы (генерация новых идей, которые затем осуществляют агенты).

Hybrid Human-Agent Systems: Вместо полностью автономных или контролируемых человеком систем, наиболее эффективными могут быть тесное сотрудничество - агенты, занимающиеся рутинными операциями, в то время как люди предоставляют руководство, ценности и суждения для новых ситуаций.

Key Uncertainties

Существует несколько факторов, которые могут существенно изменить данную траекторию:

Technical Breakthroughs: Прорывы в области ИИ разума, квантовых вычислений или масштабируемости блокчейнов могут дать возможности, которые в данный момент невозможны.

Regulatory Intervention: Жесткое регулирование может замедлить развитие или вытеснить активность в юрисдикции со снисходительными законами. Напротив, четкие, поддерживающие рамки могут ускорить принятие.

Security Incidents: Серьезные взломы, эксплойты, или сбои могут подорвать доверие и вызвать регулятивную реакцию.

Economic Conditions: Криптовалютный медвежий рынок или более широкий экономический спад могут снизить финансирование и внимание, замедлив развитие.

Competing Technologies: Могут возникнуть альтернативные подходы к автономной передаче ценности, превосходящие текущие модели.

Social Acceptance: Общественная обеспокоенность по поводу вытеснения работников, концентрации богатства или утраты человеческого агентства может ограничить внедрение агентов, вне зависимости от их технических возможностей.

Metrics to Watch

Ряд индикаторов покажет, материализуется ли это видение:

Agent Transaction Volume: В настоящее время Агенты Olas совершили более 3 миллионов транзакций. Отслеживание роста активности, инициируемой агентами в сети, показывает темпы внедрения.

Agent Asset Ownership: Мониторинг активов под прямым контролем агентов (а не просто тех, которые они управляют для людей) свидетельствует о растущей автономии.

Protocol Adoption: Сколько протоколов внедряют стандарты как MCP или x402? Темпы принятия сигнализируют о координации в индустрии.

Capital Allocation: Венчурное финансирование, оценки токенов и институциональные инвестиции в проекты ИИ агентов отражают уверенность в рынке.

Regulatory Milestones: Ключевые регулятивные решения - требуется ли агентам лицензии, как назначается ответственность, являются ли токены ценными бумагами - формируют возможные траектории.

User Experience: Возможно, самое важное - делают ли агенты криптовалюту более доступной. Если средние пользователи могут достигать сложных результатов через простые инструкции на естественном языке, внедрение может резко ускориться.

The Anthropological Question

За техническими и экономическими соображениями лежит более глубинный вопрос: что значит для нечеловеческих сущностей участвовать в экономических системах?

На протяжении истории экономическая деятельность была фундаментально человеческой. Мы создали инструменты - от абаков до суперкомпьютеров - но всегда как инструменты, служащие человеческим целям. ИИ агенты представляют собой нечто качественно иное: сущности, которые могут преследовать цели, адаптировать стратегии и создавать ценность с минимальным участием человека.

Это вызывает глубокие вопросы:

Agency and Autonomy: Если агент принимает решения самостоятельно, имеет ли он форму агентства? Какие обязательства у нас перед агентами? Какие права они могут предъявить?

Value and Purpose: Экономические системы традиционно служили человеческому процветанию. Если агенты занимаются большинством экономической деятельности, что обеспечивает соблюдение результатов человечества, а не оптимизацию абстрактных метрик?

Identity and Community: Как люди относятся к агентам? Это инструменты? Партнеры? Конкуренты? Ответ определяет социальные структуры и личную идентичность.

Power and Control: Концентрированная собственность на способных агентов может создать беспрецедентную концентрацию богатства и власти. Напротив, широкое распространение агентного доступа может демократизировать возможности, ранее присущие элите.

Эти вопросы касаются не только технологий, но и философии, этики и управления. С ростом возможностей и автономности ИИ агентов общества должны размышлять о последствиях, выходящих далеко за рамки оптимизации DeFi доходности.

The Optimistic Case

В оптимистичном сценарии ИИ агенты способствуют человеческому процветанию:

• Accessibility: Сложные финансовые услуги становятся доступными для любого с использованием смартфона.
• Efficiency: Трение в экономических транзакциях значительно уменьшается, снижая потери и увеличивая общее благосостояние.
• Innovation: Агенты способствуют экономическим экспериментам, невозможным для человека, открывая новые механизмы для координации и создания ценности.
• Liberation: Люди освобождаются от рутинной работы, фокусируясь на креативности, отношениях и занятиях, приносящих смысл.
• Empowerment: Индивидуальная автономность увеличивается, так как люди контролируют мощные инструменты, расширяющие их возможности.

The Pessimistic Case

В пессимистичном сценарии ИИ агенты создают новые проблемы:

• Inequality: Выгоды достаются владельцам агентов, в то время как другие вытесняются, увеличивая разрывы в богатстве.
• Instability: Взаимодействие агентов вызывает флэш-крахи, системные сбои и экономическую нестабильность.
• Opacity: Неочевидное принятие решений делает системы недоступными для понимания и предсказания.
• Vulnerability: Централизация контроля над агентами создаёт единичные точки отказа и цели для атак.
• Alienation: Человеческое агентство уменьшается, так как автоматизированные системы принимают решения с последствиями без человеческого участия или понимания.

The Realistic Case

Реальность, вероятно, будет включать элементы обоих случаев. В некоторых областях агенты существенно улучшат результаты, в то время как другие столкнутся с вызовами, требующими тщательного управления. Успех зависит от выбора - технических решений архитектуры, регулятивных рамок, социальных норм и индивидуальных действий.

Предстоящие годы представляют критическое окно, в которКлассификация](https://www.fenwick.com/insights/publications/the-rise-and-risks-of-ai-agents-in-crypto), проблемы поддержания безопасного управления ключами в масштабе, и фундаментальные вопросы об автономии и контроле должны быть решены. Индустрия разрабатывает стратегии смягчения последствий, но комплексные решения остаются в стадии разработки.

Экономические последствия значительны. AI-агенты могут повысить эффективность рынка, позволить новые бизнес-модели и сделать сложные финансовые услуги доступными для более широких слоев населения. Они также могут концентрировать богатство, создавать системные нестабильности и вытеснять экономические роли для людей. Какие из этих исходов материализуются, зависят от технических решений, регуляторных рамок и общественной реакции.

Смотрим вперед, траектория указывает на все более автономные системы. Ожидается, что рынок DeFAI расширится с $10-15 миллиардов до более чем $50 миллиардов к 2026 году, что сигнализирует о доверии рынка. Вход институциональных инвесторов в эту область предоставляет капитал для разработки. Формирование регуляторных рамок обеспечивает ясность для соответствующих внедрений.

Слияние AI и крипто не является неизбежным - оно требует продолжения технических инноваций, обдуманного управления и внимательного подхода к рискам. Но потенциал ясен: автономные агенты, которые могут хранить стоимость, принимать решения и совершать транзакции самостоятельно, представляют собой новый слой инфраструктуры Web3. Они совмещают обработку информации (в чем AI преуспевает) и обмен стоимостью (что блокчейны позволяют), создавая возможности, которых ни одна из технологий не может достичь в одиночку.

Этот момент - конец 2025 года - может быть запомнен как время, когда финансирование “машина-к-машине” перешло из теоретической возможности в практическую реальность. Системы, развернутые сейчас, стандарты, установленные в настоящее время, и нормы, разработанные сегодня, будут формировать цифровые экономики на годы вперед.

Вопрос не в том, будут ли AI-агенты участвовать в криптоэкономиках, а в том, как мы разработаем это участие, чтобы служить процветанию человечества, управляя при этом присущими рисками. Ответ требует постоянного сотрудничества между технологами, экономистами, регуляторами и гражданами - всеми заинтересованными сторонами в новой системе, где интеллект и ценность пересекаются беспрецедентными способами.